R语言常用计量分析包

R语言常用计量分析包

CRAN任务视图：计量经济学

线形回归模型（Linear regression models）

线形模型可用stats包中lm()函数通过OLS来拟合，该包中也有各种检验方法用来比较模型，如：summary() 和anova()。

lmtest包里的coeftest()和waldtest()函数是也支持渐近检验（如：z检验而不是检验，卡方检验而不是F检验）的类似函数。

car包里的linear.hypothesis()可检验更一般的线形假设。

HC和HAC协方差矩阵的这些功能可在sandwich包里实现。

car和lmtest包还提供了大量回归诊断和诊断检验的方法。

工具变量回归（两阶段最小二乘）由AER包中的ivreg()提供，其另外一个实现sem包中的tsls()。

微观计量经济学（Microeconometrics）

许多微观计量经济学模型属于广义线形模型，可由stats包的glm()函数拟合。包括用于选择类数据（choice data）的Logit和probit模型，用于计数类数据（count data）的poisson模型。这些模型回归元的值可用effects获得并可视化。

负二项广义线形模型可由MASS包的glm.nb()实现。aod包提供了负二项模型的另一个实现，并包含过度分散数据的其它模型。

边缘（zero-inflated）和hurdle计数模型可由pscl包提供。

多项响应（Multinomial response）：特定个体协变量（individual-specific covariates）多项模型只能由nnet包中multinom()函数提供。mlogit包实现包括特定个体和特定选择（choice-specific）变量。多项响应的广义可加模型可由VGAM包拟合。针对多项probit模型的贝叶斯方法由MNP包提供，各种贝叶斯多项模型（包括logit和probit）在bayesm包中可得。

顺序响应（Ordered response）：顺序响应的比例优势回归由MASS包中polr()函数实现。包ordinal为顺序数据（ordered data）提供包括比例优势模型（propotional odds models）以及更一般规范的累积链接模型（cumulative link models）。贝叶斯顺序probit模型由包bayesm提供。

删失响应（Censored response）：基本删失回归模型（比如，tobit模型）可以由survival包中

的suevreg()函数拟合，一个便利的接口tobit()在AER包中。更深入的删失回归模型，包括面板数据的模型，由censReg包提供，样本选择的模型在sampleSelection包中可得。

杂项：有关微观计量经济学得进一步精细工具由micEcon族包提供：Cobb-Douglas分析、translog、二次函数在micEcon里；规模弹性不变（Constant Elasticity of Scale，CES）函数在micEconCES里；对称归一二次利润（Symmetric Normalized Quadratic Profit，SNQP）函数在micEconSNQP里；几乎理想的需求函数模型系统（Almost Ideal Demand System ，AIDS）函数在micEconAids包里；随机前沿分析（Stochastic Frontier Analysis）在frontier包中；bayesm包执行微观计量济学和营销学（marketing）中的贝叶斯方法；相对分布推断在包reldist里。

其它的回归模型（Further regression models）

非线性最小二乘回归建模可用stats包里的nls()实现。

分位数回归（Quantile Regression）：quantreg（包括线性、非线性、删失、局部多项和可加分位数回归）。

面板数据的线性模型：plm。一个空间面板模型的包（splm）正在R-Forge开发。

广义动量方法（Generalized method of moments，GMM）和广义实证似然（generalized empirical likelihood，GEL）：gmm。

线性结构方程模型：sem，包括两阶段最小二乘。

联立方程估计：systemfit。

非参核方法：np。

Beta回归：betareg和gamlss

截位（高斯）回归：truncreg。

非线性混合效应模型：nlme和lme4。

广义可加模型：mgcv、gam、gamlss和VGAM。

杂项：包VGAM、Design和Hmisc包提供了若干（广义）线性模型处理的扩展工具，Zelig是一个针对很多种回归模型的易于使用的统一接口。

基本的时间序列架构（Basic time series infrastructure）

stats包的“ts” 类是R的规则间隔时间序列的标准类（尤其是年度、季度和月度数据）。

“ts”格式的时间序列可以与zoo包中的“zooreg” 强制互换，而不丢失信息。zoo包规则

和不规则间隔时间序列的架构（后者通过类“zoo”），其中时间信息可以是任意类。这包括日间序列（典型地，以“Date”时间索引）或日内序列（例如，以“POSIXct”时间索引）。

建立在“POSIXt”时间-日期类上的its、tseries和timeSeries（前fSeries）包也提供不规则间隔时间序列的架构，特别用于金融分析。

时间序列建模（Time series modelling）

stats包里有经典的时间序列建模工具，arima()函数做ARIMA建模和Box-Jenkins-type分析。

stats包还提供StructTS()函数拟合结构时间序列。

可以用nlme包中的gls()函数经由OLS拟合含AR误差项的线性回归模型。

时间序列的滤波和分解可以用stats 包的decompose() 和HoltWinters() 函数。

这些方法的扩展，尤其是预测和模型选择，在forecast 包里。

mFilter 里有各种各样的时序滤波方法。

估计向量自回归（VAR）模型，有若干方法可用：简单模型可用stats 包里ar()拟合，vars 包提供更精巧的模型，dse 中的estVARXls()和贝叶斯方法在MSBVAR 中。dynlm包有一个经由OLS拟合动态回归模型的方便接口，dyn实现了一个用于其它回归函数的不同方法。

可以用dse拟合更高级的动态方程组。

tsDyn 提供各种非线性自回归时序模型。

高斯线性状态空间模型可用dlm 拟合（通过最大似然、卡尔曼滤波/平滑和贝叶斯方法）。

包urca、tseries和CADFtest提供了单位根和协整技术。

时间序列因子分析在tsfa 包里。

包sde提供随机微分方程的模拟和推断。

非对称价格传导建模在apt包中。 杂项

矩阵操作（Matrix manipulations）。作为一个向量和矩阵语言，R有许多基本函数处理矩阵，与Matrix和SparseM包互补。

放回再抽样（Bootstrap）。除了推荐的boot包，bootstrap或simpleboot包里有一些其它的常

规bootstrapping技术；还有些函数专门为时间序列数据而设计，如：meboot包里的最大熵bootstrap，tseries包里的tsbootstrap()函数。

不平等（Inequality）。为了测量不平等（inequality），集中（concentration）和贫穷（poverty），ineq包提供了一些基本的工具，如：劳伦茨曲线（Lorenz curves），Pen's parade，基尼系数(Gini coefficient)。

结构变化（Structural change）。R有很强的处理参数模型的结构变化和变化点的能力，可参考strucchange和segmented包。

数据集（Data sets）

Packages AER和Ecdat包含许多来自计量经济学教科书和杂志（应用计量经济学，商业/经济统计）的数据集。

AER另外提供大量例子再现来自教材和文献的分析，演示各种计量经济学方法。

FinTS 是Tsay的《Analysis of Financial Time Series》（2nd ed., 2005, Wiley）一书的R参考，包含运行其中一些例子所需的数据集、函数和脚本。

DNmoney包提供加拿大货币流通额。

pwt包提供佩恩世界表(Penn World Table)。

包expsmooth、fma和Mcomp分别是《Forecasting with Exponential Smoothing: The State Space Approach》（Hyndman, Koehler, Ord, Snyder, 2008, Springer）、《Forecasting: Methods and Applications》（Makridakis, Wheelwright, Hyndman, 3rd ed., 1998, Wiley）和《the M-competitions》的时间序列数据包

包erer包含《Empirical Research in Economics: Growing up with R》（Sun, forthcoming）一书中的函数和数据集。

本文来源：https://www.bwwdw.com/article/gdo6.html